Il machine learning applicato all’astrofisica, per ottenere modelli stellari precisi che non richiedano tempi di calcolo proibitivi: dati accurati in frazioni di secondo. È la sfida a cui la studentessa di Milano-Bicocca Erika Sottocorno ha dedicato la sua tesi magistrale in Astrophysics and Space Physics, che è stata premiata dall’Istituto Lombardo – Accademia di Scienze e Lettere. Relatore della tesi è stato Davide Gerosa, professore associato di Astrophysics and Space Physics, adiuvato da due correlatrici esterne: Lieke Van Son, assistant professor nel dipartimento di Astronomia dell'università di Radboud di Nimega, e Katelyn Breivik, assistant professor nel dipartimento di Fisica dell'università Carnegie Mellow in Pennsylvania.
La giovane astrofisica, premiata il 26 febbraio, spiega così la sua ricerca, intitolata “Machine Learning per l’evoluzione stellare”: «La luce delle stelle rappresenta la principale fonte di informazione sull'Universo; pertanto, una modellizzazione accurata della fisica stellare gioca un ruolo centrale nell’astrofisica. Ma i calcoli richiesti sono lunghi e complessi: per affrontarli sono diventati indispensabili software come MESA - Modules for Experiments in Stellar Astrophysics -, che fornisce modelli stellari dettagliati e fisicamente coerenti per un’ampia gamma di masse, metallicità e stadi evolutivi».
Nonostante ciò, il carico computazionale richiesto per eseguire MESA presenta ancora sfide significative per applicazioni su larga scala, come la sintesi delle popolazioni stellari: simulare tracce evolutive complete per milioni di stelle è attualmente proibitivo. «Per superare queste limitazioni, come tecnica di modellizzazione surrogata può essere utilizzato il machine learning. Per la mia tesi ho esplorato diversi modelli, per arrivare a prevedere sia le tracce evolutive stellari - proprietà dipendenti dal tempo - sia i profili di struttura interna - proprietà dipendenti da tempo e raggio - partendo da informazioni minime. Ho addestrato l’interpolatore a vincolare l’intera evoluzione temporale e radiale delle stelle partendo da soli due input scalari: la massa iniziale e la metallicità iniziale». I risultati sono stati positivi: «Questo approccio permette di generare tracce e profili stellari completi in pochi secondi, rappresentando un’accelerazione di diversi ordini di grandezza rispetto ai calcoli diretti di MESA, che richiedono ore per l’evoluzione di una singola stella».
Il lavoro è attualmente a livello di prototipo, ma dimostra che gli interpolatori basati sul machine learning possono fungere da potenti strumenti per la ricerca astrofisica, colmando il divario tra i codici di evoluzione stellare ad alta intensità computazionale e le necessità pratiche della sintesi di popolazione e delle esplorazioni di parametri su larga scala. «Dal punto di vista applicativo, il nostro modello risulterebbe molto utile negli studi di popolazioni stellari, dove è necessario modellare simultaneamente grandi numeri di stelle con proprietà diverse» sottolinea. «Un esempio concreto può essere lo studio della velocità di rotazione stellare, la cui evoluzione è strettamente legata alla struttura interna della stella: una modellizzazione più accurata di tali proprietà consente di derivare distribuzioni attese dello spin dei remnants stellari, quali stelle di neutroni e buchi neri, che costituiscono alcune delle principali sorgenti di onde gravitazionali».
In parallelo alla tesi, Erika Sottocorno ha portato avanti anche un secondo progetto: «Ho collaborato con il professore Massimo Dotti e il suo gruppo di ricerca nel creare un modello di Broad Line Region (BLR) di un Active Galactic Nucleus (AGN), la regione centrale di una galassia alimentata da un buco nero supermassiccio in accrescimento. Vicino al buco nero si trova la Broad Line Region (BLR), una zona composta da gas che si muove a velocità molto elevate. Queste alte velocità producono, negli spettri osservati, righe di emissione molto larghe (broad lines). Lo scopo del modello è riuscire a riprodurre queste righe di emissione molto larghe, simulando questa BLR assumendo una geometria a disco intorno al buco nero e un specifico modello per l'emissione del gas». I risultati della ricerca sono confluiti in un paper che sarà pubblicato sulla rivista di Astronomy and Astrophysics».
E per Erika questi sono solo i primi passi: attualmente la giovane astrofisica uscita da Milano-Bicocca è impegnata nel primo anno di corso di un dottorato organizzato dalla SISSA, la Scuola Internazionale Superiore di Studi Avanzati di Trieste, dove si dedicherà ad approfondire il tema delle onde gravitazionali, studiate attraverso metodi di machine learning e deep learning.
